近红外光谱鉴别滇南小耳猪和DLY商品猪

应用近红外漫反射光谱技术(near infrared reflectance spectroscopy,NIRS),对滇南小耳猪和DLY商品猪的整块、匀质肉糜、烘干粉、冻干粉的光谱建模分析,进行品种鉴别,并筛选出最优的光谱建模方法。采集4 300~11 000 cm-1范围内53头滇南小耳猪、58头DLY商品猪背最长肌整块、匀质肉糜、烘干粉、冻干粉光谱数据。分别采用原始光谱、一阶导数、二阶导数、变量标准化、多元散射校正等方法进行光谱预处理,应用簇类独立软模式方法建立品种鉴别模型。其中80个样品作为校正集,余下31个样品作为验证集。结果表明:DLY商品猪和滇南小耳猪整块肉光谱模型对验证集DLY商品猪识别率为100%,拒绝率为0%,对验证集滇南小耳猪识别率为100%,拒绝率50%,效果不理想;匀质肉糜光谱模型对验证集DLY商品猪识别率为100%,拒绝率为0%,对验证集滇南小耳猪识别率为100%,拒绝率0%,效果不理想;烘干粉、冻干粉的近红外光谱模型鉴别效果较好,验证集的识别率和拒绝率均为100%。综上,近红外光谱分析方法可用于鉴别DLY商品猪和滇南小耳猪两个品种。     

基于光谱技术的支持向量机判别牛肉新鲜度

目的 实现生鲜牛肉新鲜度等级的无损快速判别。方法 用可见/近红外光谱检测系统, 获取储存1~18 d的36块牛肉样品的400~1600 nm范围的光谱信息, 以挥发性盐基氮理化值为分类依据。用多元散射校正(MSC)、变量标准化(SNV)、SG平滑预处理方法处理光谱数据, 分别建立牛肉新鲜度的支持向量机分类模型。结果 MSC+SG预处理后所建立的分类模型预测能力最好, 训练集和测试集的回判识别率和预测识别率分别为96.30%、100%, 验证集的识别率为88.89%。结论 可见/近红外光谱结合支持向量机, 对牛肉新鲜度进行无损快速判别是可行的。     

基于近红外透射光谱的食用油氧化定性分析

为建立食用油氧化的快速鉴别方法,以食用油为材料,根据国家标准对酸价和过氧化值的限量规定将不同氧化程度的样品分为未氧化油和已氧化油两类,通过近红外光谱透射技术结合距离判别分析,建立未氧化油和已氧化油的定性判别模型。结果表明：在波数范围为5450～4650cm-1,采用多元散射校正、一阶求导和Norris导数平滑光谱处理,校正集模型识别率为99%,验证集模型识别率为97.8%,模型预测效果良好,利用近红外透射光谱食用油氧化定性分析可行。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

近红外光谱法检测山茱萸中莫诺苷和马钱苷的含量

目的建立近红外光谱法快速检测山茱萸中莫诺苷和马钱苷含量的分析方法。方法利用近红外光谱仪扫描粉碎后的山茱萸药材样品,对其光谱进行预处理和波段选择,并结合偏最小二乘法(partial least squares,PLS)建立莫诺苷和马钱苷含量快速无损检测方法。结果所建立的模型的决定系数R分别为0.9668、0.9062,交叉验证均方根差值分别为0.059、0.047,对验证集样品进行预测并统计分析,预测值与真实值之间无显著差异(P>0.05)。结论所建立的模型准确度高,适用于山茱萸药材粉末的莫诺苷和马钱苷含量的快速检测。     

近红外光谱技术快速检测猪肉糜中的掺杂鸭肉

为快速、准确利用近红外定性分析混入鸭肉的掺假猪肉糜。试验在猪肉糜中添加不同比例的鸭肉肉糜,制备不同掺假鸭肉的样品90个,其中76个为掺有不同鸭肉质量分数的样品,14个为纯猪里脊肉,并独立制备44个验证集样品,其中37个为掺有不同鸭肉肉糜质量分数的样品,7个为纯猪肉。在10 000 cm-1~4 000 cm-1波数范围内进行光谱扫描,采用不同光谱预处理方法结合主成分分析,建立PLS-DA模型。建立的判别分析模型:在全波段范围(10 000 cm-1~4 000 cm-1)内,对校正集正确判别率可达100%,验证集的正确判别率可达88.6%。研究结果表明近红外漫反射光谱可以快速检测猪肉中的掺杂鸭肉。     

猪肉中卡拉胶预测模型的开发与验证

为了探讨利用近红外透射光谱分析技术快速鉴别注胶肉的可行性,共制备了95个样品,其中60个注胶肉样品。利用FOSS公司生产的Foodscan型近红外肉类分析仪获取样本光谱,随机选取50个注胶肉样品和25个正常肉样品作为校正集,采用近红外光谱结合偏最小二乘法(PLS),建立注胶肉和正常肉判别模型。利用独立的预测集对预测模型进行了验证,结果表明所有验证样品均被正确判别,采用近红外透射光谱能快速无损的判别。     

注胶肉的近红外光谱快速判别分析

为了探讨利用近红外漫透射光谱判别分析技术快速鉴别注胶肉的可行性,共制备了101个样品,其中74个注胶肉样品。利用德国Bruker公司生产的MPA型傅里叶变换近红外光谱仪,采用固体漫透射采样附件获取样本光谱,随机选取62个注胶肉样品和23个正常肉样品作为校正集,用来建立注胶肉和正常肉判别模型。利用独立的验证集对判别分析模型进行了验证,结果表明所有验证样品均被唯一正确判别,采用近红外漫透射光谱能快速无损的判别注胶肉。     

基于FT-NIR光谱技术结合KPCA-MD-SVM对白酒基酒的快速判别

为保证在摘酒过程中基酒分段的准确,研究通过利用傅里叶变换近红外设备对整个摘酒过程中的基酒样品进行光谱采集,使用支持向量机（SVM）对最优预处理的基酒光谱建立基酒分段模型,其模型训练集的正确率为93.02%,测试集判别率为90.08%。为减少建模时间和提高模型的可靠性,使用核主成分分析（KPCA）对基酒光谱数据降维,并对此建立基酒分段模型。其训练集正确率为94.81%,测试集判别率为90.75%,相比无KPCA分析时的分段模型训练集高1.79%,测试集高0.67%。为进一步提高模型的判别能力,使用马氏距离（MD）剔除了降维后的异常数据样品,创建的基酒分段模型训练集对基酒段数的正确率为98.72%,测试集正确率为98.75%。剔除异常样品后的分段模型的训练集正确率提高了3.91%,测试集判别率提高了8%。以上研究表明了KPCA+MD+ SVM基酒分段模型能对基酒进行快速判别,为近红外光谱在自动化摘酒方面提供了一种理论可能。     

利用可见-近红外光谱鉴定不同香型风格烤烟的方法

为实现对烤烟香型风格的快速判别,应用可见-近红外光谱技术对浓香型、中间香型、清香型3种烤烟样品进行光谱采集,获得烟叶内在化学成分的特征光谱信息。选取全波段特征光谱经均值归一化、Savitzky-Golay卷积平滑、多元散射校正和标准正态变换等优化预处理,采用主成分分析(PCA)对光谱数据进行聚类分析,并结合偏最小二乘判别分析(PLSDA)建立了3种香型风格烤烟定性判别模型。结果表明,建立的PLS-DA模型的校正集和验证集的正确识别率均达到100%,模型性能良好,说明利用可见-近红外光谱技术对不同香型风格烤烟具有很好的分类和鉴别效果,为实现烤烟不同香型风格的快速、准确判别提供了一种新方法。     

新陈玉米的拉曼光谱快速判别研究

本文采用拉曼光谱结合判别分析方法对新陈玉米进行了判别研究。在河南省内收集郑单958新陈玉米样品共75份,粉碎过筛后置于样品袋中,使用光纤直接采集他们的拉曼光谱。对原始光谱进行多项式平滑滤波、基线校正及一介导数处理后,首先运用主成分马氏距离判别分析方法建立了判别模型,主成分数为9,光谱建模范围为914~1369 cm-1时模型结果最优,此时建模集总正确判别率为92.7%,验证集总正确判别率为90%。然后运用偏最小二乘判别分析方法建立了相应的识别模型,当建模因子数为7,采用全谱建模时结果最优,此时建模集样品正确判别率为100%,验证集样品正确判别率为95%。偏最小二乘判别分析方法正确识别率较高,结果表明拉曼光谱可以应用于玉米新陈度的快速识别,在粮食储藏品质评价中具有极大的应用潜力。     

几种模式识别方法在豆酱近红外光谱鉴别中的应用

为建立快速鉴别豆酱品质的适用方法,利用近红外光谱技术,针对市场上常见的四类豆酱样本,分别进行异常样本剔除和预处理,采用判别偏最小二乘法(DPLS)、相似分析法(SIMCA)和误差反向传播神经网络(BPANN)定性模式识别方法,进行豆酱类别的识别研究。研究结果表明:3种识别方法的校正集正确识别率分别为99.10%、98.20%、100%,预测集识别率为94.55%、89.09%、90.91%。综合比较3种不同的识别算法,采用判别偏最小二乘法(DPLS)时校正集和验证集的正确判别率效果都较好。研究结果表明采用近红外光谱分析技术实现豆酱的快速准确分类和鉴别是可行的。     

傅里叶变换红外光谱结合模式识别法在食用油真伪鉴别中的实践分析

探讨在食用油真伪鉴别中,傅里叶变换红外光谱(FTIR)联合模式识别法(SIMCA),建立FTIR-SIMCA分类识别模型的实践应用效果。方法:选取各品牌合格食用油15种和伪食用油5种,抽取样品进行FTIR检验,并根据图谱完成SIMCA模型的建立。结果:训练集真伪食用油模型中,拒绝率与识别率均为100%,两种食用油有较高独立性,互不交叉;验证集模型识别,拒绝率与识别率同为100%。结论:FTIR-SIMCA分类识别模型具有较高的可行性,可有效实现食用油真伪的鉴别,且具有较高的可操作性。     

冷鲜羊肉冷藏时间和水分含量的高光谱无损检测

利用可见-近红外高光谱成像技术对冷鲜羊肉的冷藏时间和水分含量进行无损检测。通过波长400～1 000 nm可见-近红外高光谱系统采集160 个羊肉样本光谱信息,优选主成分-14-线性判别法对原始光谱建立羊肉冷藏时间的判别模型,校正集对羊肉冷藏时间的判别率为99.17%,预测集为100%,模型可较好地判别羊肉的冷藏时间。其次,针对羊肉冷藏过程中水分含量的变化,优选最佳预处理方法并运用偏最小二乘回归（partial leastsquares regression,PLSR）法建立水分含量预测模型;结果表明,经过Savitzky-Golay卷积平滑预处理的PLSR模型对水分含量的建模效果最优,校正集和预测集相关系数分别为0.888和0.784,交互验证均方根误差为0.696。研究表明,采用可见-近红外高光谱成像技术对冷鲜羊肉冷藏时间的判别和冷藏过程中羊肉水分含量的快速预测是可行的。     

苹果品种及损伤苹果的FT-NIR鉴别研究

用傅里叶近红外光谱技术(FT-NIR)对不同品种的苹果以及损伤嘎啦和完好嘎啦进行快速、无损检测,比较不同判别方法对所建立的区分苹果品种及苹果损伤模型的影响。结果表明:损伤嘎啦和完好嘎啦的近红外图谱经小波分析预处理后,用12000～4000cm-1波数范围的前5个主成分分别结合多层感知神经网络、径向基神经网络、Fisher判别3种方法所建立的判别模型对未知样本的正确判别率分别为97.8%、87.2%和84.8%,基于权重法用多元线性回归(MLR)所选择的特征波长所建立的Fisher判别模型对未知样本的正确判别率为89.1%;用偏最小二乘判别(PLS-DA)所建立的判别模型对未知样本的正确判别率为100%,由于PLS-DA模型对训练集和验证集的正确判别率均为100%,因此PLS-DA模型优于其他模型。不同品种苹果的光谱经平滑预处理后,用全波数范围12000～4000cm-1的前6个主成分所建立的判别模型优于经验波数范围8000～4500cm-1所建立的判别模型,其较优模型对建模集和验证集的正确判别率分别为90.9%和92.1%。近红外光谱技术结合化学计量学可以快速、无损鉴别苹果是否有损伤以及不同品种的苹果。     

基于近红外光谱的鸡蛋产地溯源

为了快速、准确、无损地追溯鸡蛋的不同产地,借助于近红外光谱技术,采用主成分析结合PLS-DA判别模型和簇类独立软模式法(SIMCA)建立了鸡蛋的溯源模型。利用标准正态变量(standard normal variate,SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(multiplicative scatter correction,MSC)等方法对原始光谱数据进行了预处理,结果表明SG(3点)平滑处理结果最好;利用主成分分析方法对不同地区的鸡蛋进行聚类分析,发现当主成分数为3时,建立的SIMCA溯源效果最好。结果表明,在显著水平0.05时,4个地区(朔州、吕梁、太谷、运城)验证集的识别率均为100%,其中吕梁和运城地区的拒绝率为100%,朔州和太谷地区的拒绝率为98.6%。说明SIMCA模式建立的模型基本能够判别鸡蛋产地。     

原料肉中掺大豆蛋白的近红外检测技术的研究

探讨了利用近红外光谱技术快速、准确地进行原料肉中是否掺大豆蛋白鉴别的可行性。首先以原料肉和掺假肉为原料,利用近红外光谱仪测定样品的漫反射光谱曲线,再应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。分析结果表明,利用Fisher判别分析建立的判别模型的正确判别率达到100%,对未知样进行检验,正确判别率达到86.1%;最后利用偏最小二乘法(PLS)建立大豆蛋白掺入量的定量检测模型,校正模型决定系数(R2)为93.4%,内部交叉验证均方根差(RMSECV)为2.45%,对此模型进行验证,预测集相关系数(R2)为84.1%,预测标准偏差(RMSEP)为3.59%。说明应用近红外光谱技术对原料肉中掺大豆蛋白进行快速、准确的的鉴别是可行的。     

猪肉糜中掺鸡肉的近红外光谱快速定性判别方法研究

为快速准确地定性判别猪肉糜中是否掺有鸡肉糜,在猪肉糜中添加不同比例的鸡肉糜,制备不同掺假样品74个,其中60个为掺有不同质量分数鸡肉的样品,14个为纯猪肉糜,并独立制备39个验证集样品,其中31个为掺有不同质量分数的鸡肉糜样品,8个为纯猪肉糜。在10000~4000 cm-1波数范围内进行光谱扫描,采用PLS-DA方法建立判别分析模型。结果所建判别模型对校正集和预测集的正确判别率均可达100%。表明近红外漫反射光谱可以提供一种快速鉴别猪肉糜中是否掺有鸡肉糜的方法。     

烟叶霉变的快速识别——基于近红外光谱与随机森林算法

为建立烟叶霉变快速识别模型,以复烤片烟为研究对象,在高温高湿条件下进行霉变实验,获得不同霉变程度的烟叶样本。应用近红外光谱技术在4000~12000 cm-1范围内对烟叶的近红外光谱进行采集,获得烟叶样本的基础光谱数据。采用小波分解法对基础光谱数据进行解析,选择中间频率小波系数[cd4, cd5]为光谱变量,利用随机森林算法建立了不同霉变烟叶的识别模型。模型对训练集预测准确率达到93.82%,独立测试集判别准确率达到94.84%,对未霉变样品、临近霉变样品和霉变样品的判别均取得了令人满意的结果。      

基于近红外光谱的中宁枸杞子判别分析

为实现中宁枸杞子产地的自动化快速鉴别,利用近红外光谱仪对不同产地42 个枸杞子样品进行扫描,对 枸杞子近红外光谱分别进行距离判别分析和聚类分析,建立枸杞子产地判别模型。结果表明：在6 500～5 200 cm－1波 数范围内,采用多元散射校正和标准正态变量变换预处理,对样品的识别率均达到100%,模型预测效果好;采用 马氏距离结合离差平方和法,枸杞子可分为宁夏中宁枸杞和非宁夏中宁枸杞两大类群,样品判别率达到96.9%。利 用近红外光谱对中宁枸杞子产地判别分析是可行的。